Применение классических методов машинного обучения к изучению квантовых систем (иногда называемое квантовым машинным обучением ) является основной темой новых научных исследований в области физики. Основным примером этого является томография квантового состояния, где квантовое состояние узнается из измерения. Другие примеры включают изучение гамильтонианов, изучение квантовых фазовых переходов и автоматическое создание новых квантовых экспериментов. Классическое машинное обучение эффективно при обработке больших объемов экспериментальных или расчетных данных для характеристики неизвестной квантовой системы, что делает его применение полезным в таких контекстах, как квантовая теория информации, разработка квантовых технологий и дизайн вычислительных материалов. В этом контексте, он может быть использован, например, в качестве инструмента для интерполяции предварительно рассчитанных межатомных потенциалов или непосредственно решая уравнение Шредингера с вариационным методом.
Возможность экспериментального контроля и подготовки все более сложных квантовых систем влечет за собой растущую потребность превращать большие и зашумленные наборы данных в значимую информацию. Это проблема, которая уже широко изучалась в классической среде, и, следовательно, многие существующие методы машинного обучения могут быть естественным образом адаптированы для более эффективного решения экспериментально значимых проблем. Например, байесовские методы и концепции алгоритмического обучения могут быть плодотворно применены для решения классификации квантовых состояний, гамильтонова обучения и характеристики неизвестного унитарного преобразования. Другие проблемы, которые были решены с помощью этого подхода, приведены в следующем списке:
Квантовое машинное обучение также может применяться для значительного ускорения предсказания квантовых свойств молекул и материалов. Это может быть полезно для вычислительного дизайна новых молекул или материалов. Некоторые примеры включают
Вариационные схемы - это семейство алгоритмов, в которых используется обучение на основе параметров схемы и целевой функции. Вариационные схемы обычно состоят из классического устройства, передающего входные параметры (случайные или предварительно обученные параметры) в квантовое устройство, а также классической математической функции оптимизации. Эти схемы очень сильно зависят от архитектуры предлагаемого квантового устройства, поскольку настройки параметров регулируются исключительно на основе классических компонентов внутри устройства. Хотя приложение является довольно инфантильным в области квантового машинного обучения, оно имеет невероятно большие перспективы для более эффективного создания эффективных функций оптимизации.
Методы машинного обучения можно использовать для поиска лучшего многообразия интеграции интегралов по путям, чтобы избежать проблемы со знаком.